小編給大家分享一下python3爬蟲的使用方法是什么，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！
創(chuàng)新互聯(lián) 是一家專業(yè)提供古冶企業(yè)網(wǎng)站建設(shè) ,專注與成都網(wǎng)站設(shè)計(jì)、做網(wǎng)站 、HTML5建站 、小程序制作等業(yè)務(wù)。10年已為古冶眾多企業(yè)、政府機(jī)構(gòu)等服務(wù)。創(chuàng)新互聯(lián)專業(yè)網(wǎng)站設(shè)計(jì)公司優(yōu)惠進(jìn)行中。
1. 準(zhǔn)備工作
在開始之前，請(qǐng)確保已經(jīng)正確安裝好了requests庫(kù)。如果沒有安裝，可以參考爬蟲利器：requests庫(kù)的安裝。
2. 實(shí)例引入
urllib庫(kù)中的urlopen()方法實(shí)際上是以GET方式請(qǐng)求網(wǎng)頁(yè)，而requests中相應(yīng)的方法就是get()方法，是不是感覺表達(dá)更明確一些？下面通過(guò)實(shí)例來(lái)看一下：
import requests
r = requests.get('https://www.baidu.com/')
print(type(r))
print(r.status_code)
print(type(r.text))
print(r.text)
print(r.cookies) 運(yùn)行結(jié)果如下：
200
這里我們調(diào)用get()方法實(shí)現(xiàn)與urlopen()相同的操作，得到一個(gè)Response對(duì)象，然后分別輸出了Response的類型、狀態(tài)碼、響應(yīng)體的類型、內(nèi)容以及Cookies。
通過(guò)運(yùn)行結(jié)果可以發(fā)現(xiàn)，它的返回類型是requests.models.Response，響應(yīng)體的類型是字符串str，Cookies的類型是RequestsCookieJar。
使用get()方法成功實(shí)現(xiàn)一個(gè)GET請(qǐng)求，這倒不算什么，更方便之處在于其他的請(qǐng)求類型依然可以用一句話來(lái)完成，示例如下：
r = requests.post('http://httpbin.org/post')
r = requests.put('http://httpbin.org/put')
r = requests.delete('http://httpbin.org/delete')
r = requests.head('http://httpbin.org/get')
r = requests.options('http://httpbin.org/get') 這里分別用post()、put()、delete()等方法實(shí)現(xiàn)了POST、PUT、DELETE等請(qǐng)求。是不是比urllib簡(jiǎn)單太多了？
其實(shí)這只是冰山一角，更多的還在后面。
3. GET請(qǐng)求
HTTP中最常見的請(qǐng)求之一就是GET請(qǐng)求，下面首先來(lái)詳細(xì)了解一下利用requests構(gòu)建GET請(qǐng)求的方法。
基本實(shí)例
首先，構(gòu)建一個(gè)最簡(jiǎn)單的GET請(qǐng)求，請(qǐng)求的鏈接為http://httpbin.org/get，該網(wǎng)站會(huì)判斷如果客戶端發(fā)起的是GET請(qǐng)求的話，它返回相應(yīng)的請(qǐng)求信息：
import requests
r = requests.get('http://httpbin.org/get')
print(r.text) 運(yùn)行結(jié)果如下：
{
"args": {},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.10.0"
},
"origin": "122.4.215.33",
"url": "http://httpbin.org/get"
} 可以發(fā)現(xiàn)，我們成功發(fā)起了GET請(qǐng)求，返回結(jié)果中包含請(qǐng)求頭、URL、IP等信息。
那么，對(duì)于GET請(qǐng)求，如果要附加額外的信息，一般怎樣添加呢？比如現(xiàn)在想添加兩個(gè)參數(shù)，其中name是germey，age是22。要構(gòu)造這個(gè)請(qǐng)求鏈接，是不是要直接寫成：
r = requests.get('http://httpbin.org/get?name=germey&age=22') 這樣也可以，但是是不是有點(diǎn)不人性化呢？一般情況下，這種信息數(shù)據(jù)會(huì)用字典來(lái)存儲(chǔ)。那么，怎樣來(lái)構(gòu)造這個(gè)鏈接呢？
這同樣很簡(jiǎn)單，利用params這個(gè)參數(shù)就好了，示例如下：
import requests
data = {
'name': 'germey',
'age': 22
}
r = requests.get("http://httpbin.org/get", params=data)
print(r.text) 運(yùn)行結(jié)果如下：
{
"args": {
"age": "22",
"name": "germey"
},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.10.0"
},
"origin": "122.4.215.33",
"url": "http://httpbin.org/get?age=22&name=germey"
} 通過(guò)運(yùn)行結(jié)果可以判斷，請(qǐng)求的鏈接自動(dòng)被構(gòu)造成了：http://httpbin.org/get?age=22&name=germey。
另外，網(wǎng)頁(yè)的返回類型實(shí)際上是str類型，但是它很特殊，是JSON格式的。所以，如果想直接解析返回結(jié)果，得到一個(gè)字典格式的話，可以直接調(diào)用json()方法。示例如下：
import requests
r = requests.get("http://httpbin.org/get")
print(type(r.text))
print(r.json())
print(type(r.json())) 運(yùn)行結(jié)果如下：
{'headers': {'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Host': 'httpbin.org', 'User-Agent':
'python-requests/2.10.0'}, 'url': 'http://httpbin.org/get', 'args': {}, 'origin': '182.33.248.131'}
可以發(fā)現(xiàn)，調(diào)用json()方法，就可以將返回結(jié)果是JSON格式的字符串轉(zhuǎn)化為字典。
但需要注意的書，如果返回結(jié)果不是JSON格式，便會(huì)出現(xiàn)解析錯(cuò)誤，拋出json.decoder.JSONDecodeError異常。
抓取網(wǎng)頁(yè)
上面的請(qǐng)求鏈接返回的是JSON形式的字符串，那么如果請(qǐng)求普通的網(wǎng)頁(yè)，則肯定能獲得相應(yīng)的內(nèi)容了。下面以“知乎”→“發(fā)現(xiàn)”頁(yè)面為例來(lái)看一下：
import requests
import re
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko)
Chrome/52.0.2743.116 Safari/537.36'
}
r = requests.get("https://www.zhihu.com/explore", headers=headers)
pattern = re.compile('explore-feed.*?question_link.*?>(.*?)', re.S)
titles = re.findall(pattern, r.text)
print(titles) 這里我們加入了headers信息，其中包含了User-Agent字段信息，也就是瀏覽器標(biāo)識(shí)信息。如果不加這個(gè)，知乎會(huì)禁止抓取。
接下來(lái)我們用到了最基礎(chǔ)的正則表達(dá)式來(lái)匹配出所有的問(wèn)題內(nèi)容。關(guān)于正則表達(dá)式的相關(guān)內(nèi)容，我們會(huì)在3.3節(jié)中詳細(xì)介紹，這里作為實(shí)例來(lái)配合講解。
運(yùn)行結(jié)果如下：
['\n為什么很多人喜歡提及「拉丁語(yǔ)系」這個(gè)詞？\n', '\n在沒有水的情況下水系寶可夢(mèng)如何戰(zhàn)斗？\n', '\n有哪些經(jīng)驗(yàn)可以送給
Kindle 新人？\n', '\n谷歌的廣告業(yè)務(wù)是如何賺錢的？\n', '\n程序員該學(xué)習(xí)什么，能在上學(xué)期間掙錢？\n',
'\n有哪些原本只是一個(gè)小消息，但回看發(fā)現(xiàn)是個(gè)驚天大新聞的例子？\n', '\n如何評(píng)價(jià)今敏？\n',
'\n源氏是怎么把那么長(zhǎng)的刀從背后拔出來(lái)的？\n', '\n年輕時(shí)得了絕癥或大病是怎樣的感受？\n',
'\n年輕時(shí)得了絕癥或大病是怎樣的感受？\n'] 我們發(fā)現(xiàn)，這里成功提取出了所有的問(wèn)題內(nèi)容。
抓取二進(jìn)制數(shù)據(jù)
在上面的例子中，我們抓取的是知乎的一個(gè)頁(yè)面，實(shí)際上它返回的是一個(gè)HTML文檔。如果想抓去圖片、音頻、視頻等文件，應(yīng)該怎么辦呢？
圖片、音頻、視頻這些文件本質(zhì)上都是由二進(jìn)制碼組成的，由于有特定的保存格式和對(duì)應(yīng)的解析方式，我們才可以看到這些形形色色的多媒體。所以，想要抓取它們，就要拿到它們的二進(jìn)制碼。
下面以GitHub的站點(diǎn)圖標(biāo)為例來(lái)看一下：
import requests
r = requests.get("https://github.com/favicon.ico")
print(r.text)
print(r.content) 這里抓取的內(nèi)容是站點(diǎn)圖標(biāo)，也就是在瀏覽器每一個(gè)標(biāo)簽上顯示的小圖標(biāo)，如圖3-3所示。
圖3-3 站點(diǎn)圖標(biāo)
這里打印了Response對(duì)象的兩個(gè)屬性，一個(gè)是text，另一個(gè)是content。
運(yùn)行結(jié)果如圖3-4所示，其中前兩行是r.text的結(jié)果，最后一行是r.content的結(jié)果。
圖3-4 運(yùn)行結(jié)果
可以注意到，前者出現(xiàn)了亂碼，后者結(jié)果前帶有一個(gè)b，這代表是bytes類型的數(shù)據(jù)。由于圖片是二進(jìn)制數(shù)據(jù)，所以前者在打印時(shí)轉(zhuǎn)化為str類型，也就是圖片直接轉(zhuǎn)化為字符串，這理所當(dāng)然會(huì)出現(xiàn)亂碼。
接著，我們將剛才提取到的圖片保存下來(lái)：
import requests
r = requests.get("https://github.com/favicon.ico")
with open('favicon.ico', 'wb') as f:
f.write(r.content) 這里用了open()方法，它的第一個(gè)參數(shù)是文件名稱，第二個(gè)參數(shù)代表以二進(jìn)制寫的形式打開，可以向文件里寫入二進(jìn)制數(shù)據(jù)。
運(yùn)行結(jié)束之后，可以發(fā)現(xiàn)在文件夾中出現(xiàn)了名為favicon.ico的圖標(biāo)，如圖3-5所示。
圖3-5 圖標(biāo)
同樣地，音頻和視頻文件也可以用這種方法獲取。
添加headers
與urllib.request一樣，我們也可以通過(guò)headers參數(shù)來(lái)傳遞頭信息。
比如，在上面“知乎”的例子中，如果不傳遞headers，就不能正常請(qǐng)求：
import requests
r = requests.get("https://www.zhihu.com/explore")
print(r.text) 運(yùn)行結(jié)果如下：
500 Server Error
An internal server error occured.
但如果加上headers并加上User-Agent信息，那就沒問(wèn)題了：
import requests
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko)
Chrome/52.0.2743.116 Safari/537.36'
}
r = requests.get("https://www.zhihu.com/explore", headers=headers)
print(r.text) 當(dāng)然，我們可以在headers這個(gè)參數(shù)中任意添加其他的字段信息。
4. POST請(qǐng)求
前面我們了解了最基本的GET請(qǐng)求，另外一種比較常見的請(qǐng)求方式是POST。使用requests實(shí)現(xiàn)POST請(qǐng)求同樣非常簡(jiǎn)單，示例如下：
import requests
data = {'name': 'germey', 'age': '22'}
r = requests.post("http://httpbin.org/post", data=data)
print(r.text) 這里還是請(qǐng)求http://httpbin.org/post，該網(wǎng)站可以判斷如果請(qǐng)求是POST方式，就把相關(guān)請(qǐng)求信息返回。
運(yùn)行結(jié)果如下：
{
"args": {},
"data": "",
"files": {},
"form": {
"age": "22",
"name": "germey"
},
"headers": {
"Accept": "*/*",
"Accept-Encoding": "gzip, deflate",
"Content-Length": "18",
"Content-Type": "application/x-www-form-urlencoded",
"Host": "httpbin.org",
"User-Agent": "python-requests/2.10.0"
},
"json": null,
"origin": "182.33.248.131",
"url": "http://httpbin.org/post"
} 可以發(fā)現(xiàn)，我們成功獲得了返回結(jié)果，其中form部分就是提交的數(shù)據(jù)，這就證明POST請(qǐng)求成功發(fā)送了。
5. 響應(yīng)
發(fā)送請(qǐng)求后，得到的自然就是響應(yīng)。在上面的實(shí)例中，我們使用text和content獲取了響應(yīng)的內(nèi)容。此外，還有很多屬性和方法可以用來(lái)獲取其他信息，比如狀態(tài)碼、響應(yīng)頭、Cookies等。示例如下：
import requests
r = requests.get('http://www.jianshu.com')
print(type(r.status_code), r.status_code)
print(type(r.headers), r.headers)
print(type(r.cookies), r.cookies)
print(type(r.url), r.url)
print(type(r.history), r.history) 這里分別打印輸出status_code屬性得到狀態(tài)碼，輸出headers屬性得到響應(yīng)頭，輸出cookies屬性得到Cookies，輸出url屬性得到URL，輸出history屬性得到請(qǐng)求歷史。
運(yùn)行結(jié)果如下：
200
{'X-Runtime': '0.006363', 'Connection': 'keep-alive',
'Content-Type': 'text/html; charset=utf-8', 'X-Content-Type-Options': 'nosniff', 'Date': 'Sat, 27 Aug
2016 17:18:51 GMT', 'Server': 'nginx', 'X-Frame-Options': 'DENY', 'Content-Encoding': 'gzip', 'Vary':
'Accept-Encoding', 'ETag': 'W/"3abda885e0e123bfde06d9b61e696159"', 'X-XSS-Protection': '1; mode=block',
'X-Request-Id': 'a8a3c4d5-f660-422f-8df9-49719dd9b5d4', 'Transfer-Encoding': 'chunked', 'Set-Cookie':
'read_mode=day; path=/, default_font=font2; path=/, _session_id=xxx; path=/; HttpOnly', 'Cache-Control':
'max-age=0, private, must-revalidate'}
http://www.jianshu.com/
[] 因?yàn)閟ession_id過(guò)長(zhǎng)，在此簡(jiǎn)寫?？梢钥吹剑琱eaders和cookies這兩個(gè)屬性得到的結(jié)果分別是CaseInsensitiveDict和RequestsCookieJar類型。
狀態(tài)碼常用來(lái)判斷請(qǐng)求是否成功，而requests還提供了一個(gè)內(nèi)置的狀態(tài)碼查詢對(duì)象requests.codes，示例如下：
import requests
r = requests.get('http://www.jianshu.com')
exit() if not r.status_code == requests.codes.ok else print('Request Successfully') 這里通過(guò)比較返回碼和內(nèi)置的成功的返回碼，來(lái)保證請(qǐng)求得到了正常響應(yīng)，輸出成功請(qǐng)求的消息，否則程序終止，這里我們用requests.codes.ok得到的是成功的狀態(tài)碼200。
那么，肯定不能只有ok這個(gè)條件碼。下面列出了返回碼和相應(yīng)的查詢條件：
# 信息性狀態(tài)碼
100: ('continue',),
101: ('switching_protocols',),
102: ('processing',),
103: ('checkpoint',),
122: ('uri_too_long', 'request_uri_too_long'),
# 成功狀態(tài)碼
200: ('ok', 'okay', 'all_ok', 'all_okay', 'all_good', '\\o/', '?'),
201: ('created',),
202: ('accepted',),
203: ('non_authoritative_info', 'non_authoritative_information'),
204: ('no_content',),
205: ('reset_content', 'reset'),
206: ('partial_content', 'partial'),
207: ('multi_status', 'multiple_status', 'multi_stati', 'multiple_stati'),
208: ('already_reported',),
226: ('im_used',),
# 重定向狀態(tài)碼
300: ('multiple_choices',),
301: ('moved_permanently', 'moved', '\\o-'),
302: ('found',),
303: ('see_other', 'other'),
304: ('not_modified',),
305: ('use_proxy',),
306: ('switch_proxy',),
307: ('temporary_redirect', 'temporary_moved', 'temporary'),
308: ('permanent_redirect',
'resume_incomplete', 'resume',), # These 2 to be removed in 3.0
# 客戶端錯(cuò)誤狀態(tài)碼
400: ('bad_request', 'bad'),
401: ('unauthorized',),
402: ('payment_required', 'payment'),
403: ('forbidden',),
404: ('not_found', '-o-'),
405: ('method_not_allowed', 'not_allowed'),
406: ('not_acceptable',),
407: ('proxy_authentication_required', 'proxy_auth', 'proxy_authentication'),
408: ('request_timeout', 'timeout'),
409: ('conflict',),
410: ('gone',),
411: ('length_required',),
412: ('precondition_failed', 'precondition'),
413: ('request_entity_too_large',),
414: ('request_uri_too_large',),
415: ('unsupported_media_type', 'unsupported_media', 'media_type'),
416: ('requested_range_not_satisfiable', 'requested_range', 'range_not_satisfiable'),
417: ('expectation_failed',),
418: ('im_a_teapot', 'teapot', 'i_am_a_teapot'),
421: ('misdirected_request',),
422: ('unprocessable_entity', 'unprocessable'),
423: ('locked',),
424: ('failed_dependency', 'dependency'),
425: ('unordered_collection', 'unordered'),
426: ('upgrade_required', 'upgrade'),
428: ('precondition_required', 'precondition'),
429: ('too_many_requests', 'too_many'),
431: ('header_fields_too_large', 'fields_too_large'),
444: ('no_response', 'none'),
449: ('retry_with', 'retry'),
450: ('blocked_by_windows_parental_controls', 'parental_controls'),
451: ('unavailable_for_legal_reasons', 'legal_reasons'),
499: ('client_closed_request',),
# 服務(wù)端錯(cuò)誤狀態(tài)碼
500: ('internal_server_error', 'server_error', '/o\\', '?'),
501: ('not_implemented',),
502: ('bad_gateway',),
503: ('service_unavailable', 'unavailable'),
504: ('gateway_timeout',),
505: ('http_version_not_supported', 'http_version'),
506: ('variant_also_negotiates',),
507: ('insufficient_storage',),
509: ('bandwidth_limit_exceeded', 'bandwidth'),
510: ('not_extended',),
511: ('network_authentication_required', 'network_auth', 'network_authentication') 比如，如果想判斷結(jié)果是不是404狀態(tài)，可以用requests.codes.not_found來(lái)比對(duì)。
看完了這篇文章，相信你對(duì)python3爬蟲的使用方法是什么有了一定的了解，想了解更多相關(guān)知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝各位的閱讀！
網(wǎng)頁(yè)題目：python3爬蟲的使用方法是什么
本文網(wǎng)址：
http://weahome.cn/article/giejpc.html
重慶分公司
重慶分公司
